使用Jsoup解析HTML时如何处理缺失值避免IndexOutOfBoundsException？

• 开发网页抓取程序，目标元素有两种格式：VALUE1 - VALUE3 或 VALUE1/VALUE2 - VALUE3
• 对应的HTML结构如下：
  第一种结构：

  <ul>
   <li></li>
   <li></li>
   <li></li>
   <li></li>
   <li></li>
   <li>
        <a><span>VALUE1</span></a>
         -
        <span>VALUE3</span>
              </li>
  </ul>
  

  第二种结构：

  <ul>
        <li></li>
        <li></li>
        <li></li>
        <li></li>
        <li></li>
        <li>
        <a><span>VALUE1</span></a>
         /
        <a><span>VALUE2</span></a>
         -
        <span>VALUE3</span>
              </li>
  </ul>
  

• 需求是获取每个元素的VALUE1和VALUE3，原代码先把所有VALUE1存入ingDebug1，再把所有VALUE3存入ingDebug2，但VALUE3对应的<span>有时不存在，导致ingDebug2长度小于ingDebug1，合并时触发IndexOutOfBoundsException，需要解决缺失时填充默认值的问题。
• 原抓取代码：

  for (Element row : parse.select("ul>li>a>span")){ //to scrape the first one
      String ing = row.getAllElements().text();
      ingDebug1.add(ing);
      debug = i;
  }
  
  for (Element row :parse.select("ul>li>span")){ //to scrape the third one
      String ing = row.getAllElements().text();
      debug = i;
  }
  
  for (int k = 0; k<ingDebug1.size(); k++){ // to put them together
      ingShowUp.add(ingDebug1.get(k));
      ingShowUp.add(ingDebug2.get(k));
  }
  

核心问题是原代码分别抓取两个独立的元素列表，无法保证每个VALUE1对应一个VALUE3（包括缺失的情况）。正确的做法是遍历每个<li>元素，在每个<li>内部单独提取VALUE1和VALUE3，这样能保证一一对应，即使VALUE3缺失也能填充默认值。

修改后的代码示例：

// 遍历每个li元素，确保每个VALUE1对应处理VALUE3
for (Element li : parse.select("ul>li")) {
    // 提取VALUE1：第一个a标签下的span文本
    Element value1Span = li.selectFirst("a>span");
    String value1 = value1Span != null ? value1Span.text() : "";
    ingDebug1.add(value1);

    // 提取VALUE3：li下的span，但排除a标签内部的span（避免拿到VALUE1/VALUE2的span）
    Element value3Span = li.selectFirst("span:not(a>span)");
    String value3 = value3Span != null ? value3Span.text() : ""; // 缺失时填充空字符串，也可替换为"N/A"等默认值
    ingDebug2.add(value3);
}

// 合并两个列表，此时长度完全一致，不会触发索引越界
for (int k = 0; k < ingDebug1.size(); k++) {
    ingShowUp.add(ingDebug1.get(k));
    ingShowUp.add(ingDebug2.get(k));
}

关键说明 #

• 用selectFirst()代替批量选择，确保每个<li>只取对应的第一个VALUE1和目标VALUE3
• 通过span:not(a>span)选择器精准定位VALUE3的<span>，避免误抓VALUE1/VALUE2的<span>
• 当元素不存在时，用三元运算符设置默认值，保证ingDebug1和ingDebug2长度完全匹配
• 若不需要单独维护两个中间列表，也可直接在遍历<li>时将value1和value3直接加入ingShowUp，减少冗余操作

内容的提问来源于stack exchange，提问作者uterkaxx